今日的工作，明日的劳动力：在 AI 辅助工作中激励学习

在工作中，人们通过经验发展技能：新手通过完成任务获得技能，而专家则通过持续练习保持技能。AI 辅助通过为工作者提供在独立解决任务与接受 AI 答案之间做选择的机会，改变了这一过程。虽然依赖 AI 能节省即时投入的努力，但它也可能取代获得和保持技能所需的练习，包括监督 AI 所需的技能。我们将现有的“接受或解决”模型扩展到一个任务序列，其中工作者的技能通过独立练习和对 AI 的依赖而演变。我们比较了短视的工作者（最大化即时效用）与策略性工作者（同时重视其未来技能）。我们表明，新手可能被困在低技能水平，而专家可能丧失技能，即使 AI 辅助的结果准确率仍然很高。相比之下，策略性工作者可能选择独立解决，即使 AI 更准确，因为他们认识到获得和保持技能的未来价值。然后，我们研究了奖励正确独立工作的激励机制，并刻画了鼓励技能获得和保持所需的支付。我们表明，一旦工作者获得足够技能，独立工作可以变得自我维持，从而消除持续激励的需要。反直觉的是，支持更高的技能目标有时可以降低长期激励成本，要么通过使独立工作自我维持，要么通过降低维持熟练度所需的支付。因此，我们的发现将焦点从工作者是否应在单个任务上依赖 AI，转向组织如何随时间维持人类专业知识，以及哪些技能值得投资。

中文由 AI 翻译，仅供参考，以原文为准。